文献

J-GLOBAL ID：201802272742176793   整理番号：18A0481156

衛星データを用いた予測翌日全球水平放射照度のLSTMニューラルネットワークの比較研究【Powered by NICT】

A comparative study of LSTM neural networks in forecasting day-ahead global horizontal irradiance with satellite data

著者 (2件)： Srivastava Shikhar (School of Business and Economics, Humboldt-Universitaet zu Berlin, Unter den Linden 6, 10099 Berlin, Germany) ,  Lessmann Stefan (School of Business and Economics, Humboldt-Universitaet zu Berlin, Unter den Linden 6, 10099 Berlin, Germany)
資料名： Solar Energy  (Solar Energy)
巻： 162  ページ： 232-247  発行年： 2018年 
JST資料番号： E0099A  ISSN： 0038-092X  CODEN： SRENA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 太陽エネルギーの正確な予測は,エネルギーオークション市場と効率的な資源計画における早期介入を容易にするために太陽光発電(PV)ベースのエネルギープラントにとって重要である。研究は長い短期記憶(LSTM),深部ニューラルネットワークのファミリーからの新規予測法に集中し,太陽エネルギー予測における証明済みの実績を持つ代替法への予測精度を比較した。LSTMの包括的で信頼性のある評価を提供するために,この研究は,21か所で試験予測精度のためのリモートセンシングデータ,そのうちの16は,米国におけるヨーロッパ本土と5を採用している。この目的のために,経験的予測の比較を行うために新しいフレームワークを導入し,仮想PVプラントの生成を含む。フレームワークは,地理的領域のより高い被覆率を有するより豊富な比較を可能にした。実証的な結果は,LSTMは実質的な余裕と持続性モデルに対して52.2%の平均予報スキルを持つ多数の代替法よりも優れていることを示唆した。エネルギー管理実践のための含意は,LSTMは有望な技術,予報官のツールボックスで必要であることである。学術の観点から,LSTMと実験設計のための提案したフレームワークは,新しい予測技術を評価する将来の研究のための貴重な環境を提供する。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 太陽エネルギー ,  *放射照度 ,  被覆率 ,  信頼性 ,  太陽光発電 ,  エネルギープラント ,  実験計画法 ,  予測技法 ,  アメリカ合衆国 ,  *ニューラルネットワーク ,  *予測 ,  ヨーロッパ
準シソーラス用語： 持続性 ,  予測精度 ,  *衛星データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 太陽エネルギー予測 ,  長い短期記憶 ,  深い学習 ,  リモートセンシングデータ

分類 (3件)： 太陽電池  (NC03084O) ,  太陽光発電  (NB03090G) ,  放射,大気光学  (DC05080C)

タイトルに関連する用語 (7件)： 衛星データ ,  予測 ,  球 ,  放射照度 ,  LSTM ,  ニューラルネットワーク ,  研究